Stage de Master 2 Recherche (mars-septembre 2017
)Caractérisation et modélisation géométrique d’images MEB de populations de particules par analyse d’images et géométrie stochastique
Lieu d’accueil : CEA Marcoule (BAGNOLS SUR CEZE)
en collaboration avec l’Ecole des Mines de Saint-Etienne
Personnes à contacter : Fabrice LAMADIE, Sophie CHARTON, Guillaume BERNARD-GRANGER, Johan DEBAYLE
Email : fabrice.lamadie@cea.fr ; sophie.charton@cea.fr ; guillaume.bernard- granger@cea.fr ; debayle@emse.fr
Profil du candidat : Elève ingénieur ou étudiant en Master 2 recherche avec une spécialisation en analyse d’image et/ou mathématiques appliquées.
Description du stage
Contexte général
Dans le cadre ses études sur la fabrication des combustibles nucléaires, le CEA exploite la microscopie électronique à balayage (MEB) pour caractériser la distribution granulométrique et la morphologie des poudres qu’il produit. L’analyse de ce type d’image reste à ce jour délicate notamment en raison de leur contraste très particulier. Il s’agit, néanmoins, d’une des méthodes les plus prometteuses en comparaison avec les autres techniques généralement dédiées à la mesure de ces propriétés (granulométrie laser, BET, etc.).
Objectifs du stage
Le stage proposé vise à explorer des méthodes combinant analyse d’image et géométrie stochastique qui pourraient permettre de caractériser la granulométrie d’une population de particules à partir d’images acquises par microscopie électronique à balayage. Après une étude bibliographique, l’étudiant devra extraire différentes caractéristiques géométriques [1] (fonctions de Minkowski, covariance...) d’images MEB telles que celles proposées ci-dessous :
La seconde étape du stage consistera à générer, par géométrie stochastique [2], des populations de particules dites « synthétiques » et simuler les images MEB correspondantes [3]. Celles-ci devront présenter les mêmes caractéristiques géométriques que les images MEB « réelles ». Après la mise en place ce modèle de génération d’images, il s’agira, à l’aide d’une procédure d’optimisation, d’ajuster les paramètres du modèle afin d’obtenir une géométrie représentative des particules réelles. Enfin, des simulations sur plusieurs échantillons permettront de tester et valider le modèle.
Références bibliographiques
[1] R.C. Gonzalez, R.C. Woods. Digital Image Processing. Prentice Hall, 2008.
[2] S.N. Chiu, D. Stoyan, W.S. Kandall, J. Mecke. Stochastic geometry and its applications. Wiley, 2013.
[3] T. Prill, K. Schladitz. Simulation of FIB-SEM Images for Analysis of Porous Microstructures, Scanning 00:1–7, 2012.